SFedCA：基于信用分配的脉冲式联邦学习中激活客户端选择策略
机器学习
2024-06-19 v1 分布式、并行与集群计算
新兴技术
多媒体
神经与进化计算
摘要
脉冲式联邦学习是一种新兴的分布式学习范式，使资源受限的设备能够在低功耗下进行协作训练，而无需交换本地数据。它利用了联邦学习（FL）中的隐私计算属性以及脉冲神经网络（SNN）中的能源效率，从而具有革新性地处理多媒体数据的潜力。然而，现有的脉冲式联邦学习方法采用随机选择策略进行客户端聚合，假设客户端参与是无偏的。这忽略了统计异构性，对全局模型的收敛性和准确性具有显著影响。本文提出一种基于信用分配的激活客户端选择策略，即 SFedCA，以审慎地聚合有助于全局样本分布平衡的客户端。具体而言，通过训练前后 firing intensity 状态分配客户端信用，这反映了本地数据分布与全局模型之间的差异。我们在各种非相同且独立分布（non-IID）场景下进行了全面实验。实验结果表明，SFedCA 在各种 non-IID 场景下均优于现有的领先脉冲式联邦学习方法，并且所需通信轮数更少。
引用
@article{arxiv.2406.12200,
title = {SFedCA: Credit Assignment-Based Active Client Selection Strategy for Spiking Federated Learning},
author = {Qiugang Zhan and Jinbo Cao and Xiurui Xie and Malu Zhang and Huajin Tang and Guisong Liu},
journal= {arXiv preprint arXiv:2406.12200},
year = {2024}
}
备注
9 pages